用Python解析mbox文件

这里是Python新手。我想浏览一个大的mbox文件，解析电子邮件。我可以这样做：

import sys
import mailbox

def gen_summary(filename):
    mbox = mailbox.mbox(filename)
    for message in mbox:
       subj = message['subject']
       print subj

if __name__ == "__main__":
    if len(sys.argv) != 2:
        print 'Usage: python genarchivesum.py mbox'
        sys.exit(1)

    gen_summary(sys.argv[1])

但我需要更多的控制。我需要能够获得mbox文件中给定电子邮件开头的字节位置，还需要获得消息中的字节数（如磁盘上所示）。然后在将来，我不需要从mbox文件的开头进行迭代，而是需要能够找到给定的消息并解析它（因此需要获取磁盘上的字节位置）。这些是大的mbox文件，效率是一个问题

---

所有这些的目的是，我可以生成一个摘要文件，其中包含有关mbox中每个电子邮件的一些小信息，然后在将来有效地在mbox中查找各个电子邮件。

我没有测试过这一点，但类似的东西可能适合您。只需打开文件（以二进制模式，以便字节计数正确），然后扫描文件，查找消息

def is_mail_start(line):
    return line.startswith("From ")

def build_index(fname):
    with open(fname, "rb") as f:
        i = 0
        b = 0
        # find start of first message
        for line in f:
            b += len(line)
            if is_mail_start(line):
                break
        # find start of each message, and yield up (index, length) of previous message
        for line in f:
            if is_mail_start(line):
                yield (i, b)
                i += b
                b = 0
            b += len(line)
        yield (i, b) # yield up (index, length) of last message

# get index as a list
mbox_index = list(build_index(fname))

---

一旦有了索引，就可以对文件对象使用

.seek（）

方法在那里进行搜索，对文件对象使用

.read（length）

方法只读取一条消息。不过，我不确定您将如何使用带有字符串的

邮箱

模块；我认为这是为了在适当的地方处理邮箱。也许你还可以使用其他邮件解析模块。

我从未使用过

邮箱

，但我只是阅读了

帮助（mailbox.mbox）

。您不能使用

.iterkeys（）

方法获取键值的迭代器，然后使用键值查找消息吗？为什么要使用字节索引作为键来查找消息，而不是使用模块。。。您是否尝试过使用模块按键索引邮件？如果你试过了，但是速度太慢或者其他什么的，请说出来。比如说我收到了10000封mbox邮件。当我只想要最后一封电子邮件时，我不想阅读/解析/迭代9998封邮件。我想在mbox文件中找到这一点，然后读一下这条消息。@MarkFletcher，这条消息起作用了吗？如果是，请告诉我。好的，谢谢。我想我会用这种策略。顺便说一句，mbox中电子邮件的开头以“From”（不带：）开头。我可以使用email.Parser来解析电子邮件。谢谢。我会编辑答案，去掉“：”。我说过我没有测试它。。。祝你的项目好运，周末愉快！不管它值多少钱，对于未来的用户来说，它实际上是两者兼而有之，至少在最新版本的OSX上是如此。def is_mail_start（line）：返回line.startswith（“From”）而不是line.startswith（“From”）。如果标记开始的

From

后面总是跟一个空格，您可以只搜索字符串

“From”

（注意末尾的空格）。这与带有冒号的

From:

不匹配。